quickstart rag python

การค้นหาความหมายด้วยเฟรมเวิร์ก MongoDB และ LLM

ลิงค์บทความ

การแนะนำ

โครงการ Python นี้แสดงให้เห็นถึงการค้นหาความหมายโดยใช้ MongoDB และสองกรอบ LLM ที่แตกต่างกัน: Langchain และ Llamaindex เป้าหมายคือการโหลดเอกสารจาก MongoDB สร้าง EMBEDDINGS สำหรับข้อมูลข้อความและดำเนินการค้นหาความหมายโดยใช้เฟรมเวิร์ก Langchain และ Llamaidex

ตัวแปรสภาพแวดล้อม

ในการเรียกใช้โครงการนี้คุณต้องตั้งค่าตัวแปรสภาพแวดล้อมต่อไปนี้ในไฟล์ .env :

 OPENAI_API_KEY = YOUR_OPENAI_API_KEY
MONGODB_URI = YOUR_MONGODB_CONNECTION_URI
MONGODB_COLL = YOUR_MONGODB_COLLECTION
MONGODB_VECTOR_INDEX = YOUR_MONGODB_VECTOR_INDEX
MONGODB_VECTOR_COLL_LANGCHAIN = YOUR_MONGODB_VECTOR_COLLECTION_LANGCHAIN
MONGODB_VECTOR_COLL_LLAMAINDEX = YOUR_MONGODB_VECTOR_COLLECTION_LLAMAINDEX

ตรวจสอบให้แน่ใจว่าได้แทนที่ค่าตัวยึดตำแหน่งด้วยคีย์ API จริงและรายละเอียดการเชื่อมต่อ

การตั้งค่า

ติดตั้งการพึ่งพา:

 pip install -r requirements.txt

ภาพรวมโครงการ

1. การโหลดเอกสาร

โครงการโหลดเอกสารจากคอลเลกชัน MongoDB ที่ระบุ ( MONGODB_COLL ) ตรวจสอบให้แน่ใจว่าคอลเลกชัน MongoDB ของคุณมีข้อมูลข้อความที่คุณต้องการทำการค้นหาความหมาย

2. การสร้าง embeddings

แอปพลิเคชันสร้าง Embeddings สำหรับข้อมูลข้อความที่โหลดโดยใช้กรอบ Langchain และ Llamaidex Embeddings จะถูกเก็บไว้ในคอลเลกชัน MongoDB แยกต่างหาก ( MONGODB_VECTOR_COLL_LANGCHAIN ​​และ MONGODB_VECTOR_COLL_LLAMAINDEX )

3. การค้นหาความหมาย

การค้นหาความหมายดำเนินการโดยใช้ทั้งกรอบ Langchain และ Llamaindex กระบวนการนี้เกี่ยวข้องกับการสืบค้นการรวบรวม Embeddings และดึงเอกสารที่เกี่ยวข้องขึ้นอยู่กับความคล้ายคลึงกันทางความหมายของพรอมต์

ข้อมูลเพิ่มเติม

OPENAI_API_KEY เป็นสิ่งจำเป็นสำหรับการสร้างแบบฝังโดยใช้โมเดลภาษาภายนอก (เช่น GPT ของ OpenAI) ตรวจสอบให้แน่ใจว่าได้กำหนดค่ารายละเอียดการเชื่อมต่อ MongoDB และคอลเลกชันอย่างเหมาะสม ตรวจสอบเอกสารอย่างเป็นทางการสำหรับ Langchain และ Llamaidex สำหรับการกำหนดค่าเพิ่มเติมหรือรายละเอียดการใช้งานใด ๆ

อ้างอิง

• Atlas Vector Search: ลิงก์ไปยัง MongoDB Atlas Vector Search
• Langchain: ลิงก์ไปยังเอกสาร Langchain
• llamaidex: ลิงก์ไปยังเอกสาร llamaidex